【技术实现步骤摘要】
本专利技术涉及设备检测，尤其涉及一种发电机齿轮箱异常检测方法、装置、设备及存储介质。
技术介绍
1、经过数十年的发展，海上风电已经成为全球清洁能源的重要来源之一。然而，海上风力机作业环境载荷复杂，故障率高，早期故障预警是智能运维的重要研究方向。大部分研究表明，风力机造成停机的故障多由发电机的齿轮箱故障造成。因此，如何对发电机的齿轮箱进行异常检测在行业内具有重要的实用价值和理论意义。
2、目前通常通过专家经验法(即根据行业内相关专业人员的经验)来对发电机齿轮箱进行异常检测，然而这种方法的不可控因素(如经验不足、错误判断、外界环境影响等)过多，这就使得目前发电机齿轮箱异常检测的检测结果存在较低的可信度。因此，目前行业内亟需一种能够准确对发电机齿轮箱进行异常检测的方法。
3、上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本专利技术的主要目的在于提供了一种发电机齿轮箱异常检测方法、装置、设备及存储介质，旨在解决现有技术无法准确对发电机齿轮箱进行异常检测的技术问题。
2、为实现上述目的，本专利技术提供了一种发电机齿轮箱异常检测方法，所述方法包括以下步骤：
3、获取发电机齿轮箱的原始待检测数据，所述原始待检测数据通过数据采集与监视控制系统采集；
4、对所述原始待检测数据进行数据预处理，得到预处理数据；
5、将所述预处理数据输入至温度预测模型中，得到温度预测值，所述温度预测模
6、基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常，所述正常温度值为所述发电机齿轮箱在正常工作下对应的温度值。
7、可选地，所述基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常的步骤，包括：
8、通过滑动时间窗口法获取所述温度预测值和正常温度值之间的残差序列；
9、确定所述残差序列对应的均方根误差与样本熵，并判断所述均方根误差和所述样本熵是否超过预设阈值；
10、若所述均方根误差和所述样本熵超过预设阈值，则确定所述发电机齿轮箱发生异常。
11、可选地，所述将所述预处理数据输入至温度预测模型中，得到温度预测值的步骤之前，还包括：
12、获取所述发电机齿轮箱在运行状态下对应的原始scada数据；
13、对所述原始scada数据进行数据剔除和/或数据填补，得到正常scada数据，所述正常scada数据为所述发电机齿轮箱在正常工作状态下对应的scada数据；
14、基于所述正常scada数据构建温度预测模型。
15、可选地，所述基于所述正常scada数据构建温度预测模型的步骤，包括：
16、通过滑动时间窗口法对所述正常scada数据进行数据分割，得到训练数据集、验证数据集与测试数据集；
17、搭建transformer模型与gru模型线性组合的预测神经网络模型，并基于所述预测神经网络模型、所述训练数据集、所述验证数据集与所述测试数据集构建温度预测模型。
18、可选地，所述基于所述预测神经网络模型、所述训练数据集、所述验证数据集与所述测试数据集构建温度预测模型的步骤，包括：
19、通过所述训练数据集对所述预测神经网络模型进行训练，得到训练后的神经网络模型；
20、通过所述验证数据集对所述训练后的神经网络模型进行超参数调优，得到调优后的神经网络模型；
21、通过所述测试数据集对所述调优后的神经网络模型进行最优测试，得到温度预测模型。
22、可选地，所述温度预测模型包括transformer模型和gru模型，所述将所述预处理数据输入至温度预测模型中，得到温度预测值的步骤，包括：
23、对所述预处理数据进行灰色关联度分析，得到特征集，所述特征集中包括多个温度特征；
24、对所述特征集进行拆分，并将拆分后的特征集输入至所述transformer模型和所述gru模型中，得到温度预测值。
25、可选地，所述gru模型包括gru1模型和gru2模型，所述对所述特征集进行拆分，并将拆分后的特征集输入至所述transformer模型和所述gru模型中，得到温度预测值的步骤，包括：
26、将所述特征集拆分为包含了第一预设数量温度特征的第一特征集和包含了第二预设数量温度特征的第二特征集；
27、分别将所述第一特征集和所述第二特征集输入至所述transformer模型和所述gru1模型中，得到第一温度预测值和第二温度预测值；
28、将所述第一温度预测值和所述第二温度预测值输入至所述gru2模型中，得到温度预测值。
29、此外，为实现上述目的，本专利技术还提出一种发电机齿轮箱异常检测装置，所述发电机齿轮箱异常检测装置包括：
30、数据获取模块，用于获取发电机齿轮箱的原始待检测数据，所述原始待检测数据通过数据采集与监视控制系统采集；
31、数据处理模块，用于对所述原始待检测数据进行数据预处理，得到预处理数据；
32、温度预测模块，用于将所述预处理数据输入至温度预测模型中，得到温度预测值，所述温度预测模型基于transformer模型和gru模型构建；
33、异常检测模块，用于基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常，所述正常温度值为所述发电机齿轮箱在正常工作下对应的温度值。
34、此外，为实现上述目的，本专利技术还提出一种发电机齿轮箱异常检测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的发电机齿轮箱异常检测程序，所述发电机齿轮箱异常检测程序配置为实现如上文所述的发电机齿轮箱异常检测方法的步骤。
35、此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有发电机齿轮箱异常检测程序，所述发电机齿轮箱异常检测程序被处理器执行时实现如上文所述的发电机齿轮箱异常检测方法的步骤。
36、本专利技术通过获取发电机齿轮箱的原始待检测数据，所述原始待检测数据通过数据采集与监视控制系统采集；对所述原始待检测数据进行数据预处理，得到预处理数据；将所述预处理数据输入至温度预测模型中，得到温度预测值，所述温度预测模型基于transformer模型和gru模型构建；基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常，所述正常温度值为所述发电机齿轮箱在正常工作下对应的温度值。相比于现有技术通过专家经验法来实现发电机齿轮箱的异常检测，由于本专利技术上述方法通过基于transformer模型和gru模型构建的温度预测模型来对发电机齿轮箱进行温度预测，并根据温度预测值和正常温度值判断发电机齿轮箱是否发生异常，从而消除了现有的发电机齿轮箱异常检测方法所带来的人为主观性，进而能够更为准确地对发电机齿轮箱进行异常检测。本文档来自技高网...
【技术保护点】
1.一种发电机齿轮箱异常检测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的发电机齿轮箱异常检测方法，其特征在于，所述基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常的步骤，包括：
3.如权利要求1所述的发电机齿轮箱异常检测方法，其特征在于，所述将所述预处理数据输入至温度预测模型中，得到温度预测值的步骤之前，还包括：
4.如权利要求3所述的发电机齿轮箱异常检测方法，其特征在于，所述基于所述正常SCADA数据构建温度预测模型的步骤，包括：
5.如权利要求4所述的发电机齿轮箱异常检测方法，其特征在于，所述基于所述预测神经网络模型、所述训练数据集、所述验证数据集与所述测试数据集构建温度预测模型的步骤，包括：
6.如权利要求1所述的发电机齿轮箱异常检测方法，其特征在于，所述温度预测模型包括Transformer模型和GRU模型，所述将所述预处理数据输入至温度预测模型中，得到温度预测值的步骤，包括：
7.如权利要求6所述的发电机齿轮箱异常检测方法，其特征在于，所述GRU模型包括GRU1模型
8.一种发电机齿轮箱异常检测装置，其特征在于，所述发电机齿轮箱异常检测装置包括：
9.一种发电机齿轮箱异常检测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的发电机齿轮箱异常检测程序，所述发电机齿轮箱异常检测程序配置为实现如权利要求1至7中任一项所述的发电机齿轮箱异常检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有发电机齿轮箱异常检测程序，所述发电机齿轮箱异常检测程序被处理器执行时实现如权利要求1至7中任一项所述的发电机齿轮箱异常检测方法的步骤。
...【技术特征摘要】
1.一种发电机齿轮箱异常检测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的发电机齿轮箱异常检测方法，其特征在于，所述基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常的步骤，包括：
3.如权利要求1所述的发电机齿轮箱异常检测方法，其特征在于，所述将所述预处理数据输入至温度预测模型中，得到温度预测值的步骤之前，还包括：
4.如权利要求3所述的发电机齿轮箱异常检测方法，其特征在于，所述基于所述正常scada数据构建温度预测模型的步骤，包括：
5.如权利要求4所述的发电机齿轮箱异常检测方法，其特征在于，所述基于所述预测神经网络模型、所述训练数据集、所述验证数据集与所述测试数据集构建温度预测模型的步骤，包括：
6.如权利要求1所述的发电机齿轮箱异常检测方法，其特征在于，所述温度预测模型包括transformer模型和gru模型，所述将所述预处理数据输入至...
【专利技术属性】
技术研发人员：赵子晗，王强，邵昌盛，陈宁，刘昕瑶，
申请(专利权)人：南方海洋科学与工程广东省实验室湛江，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。